Загрузите только текстовую страницу

Question

Название вопроса говорит обо всем, после нескольких попыток Google и нескольких дней возиться с кодом, я не могу понять, как загрузить простой текст веб-страницы.

Использование strip_tags(); по-прежнему оставляет JavaScript и CSS и пытается очистить его регулярным выражением, также вызывает проблемы.

Есть ли какой-либо (простой или сложный) способ загрузить веб-страницу (например, статью в Википедии) в текстовом формате с использованием PHP?

Я загрузил страницу, используя РНР file_get_contents();, как здесь:

$homepage = file_get_contents('http://www.example.com/'); 

Как я уже сказал, я попытался с помощью strip_tags(); т.д., но я не могу получить простой текст.

Я попытался использовать: http://millkencode.googlecode.com/svn/trunk/htmlxtractor/ContentExtractor.php, чтобы получить основной контент, но он не работает.

Answer 1

Используйте этот код:

require_once('simple_html_dom.php'); 
$content=file_get_html('http://en.wikipedia.org/wiki/FYI'); 
$title=$content->find("#firstHeading",0)->plaintext ; 
$text=$content->find("#bodyContent",0)->plaintext; 
echo $title.$text; 

http://simplehtmldom.sourceforge.net

Answer 2

Это не так просто, как кажется. Я бы рекомендовал посмотреть что-то вроде PHP Simple HTML DOM Parser. Помимо того, что JavaScript и CSS трудно удалить (и используя RegEx for HTML is not proper), все еще может быть встроенный стиль и тому подобное.

Это, конечно же, относительно сложности HTML. strip_tags может быть достаточным в некоторых случаях.